無(wú)人機(jī)遙感植被覆蓋度提取方法研究綜述

劉 琳，鄭興明，姜 濤，李 雷，丁艷玲

(1.東北師范大學(xué)地理科學(xué)學(xué)院，吉林 長(zhǎng)春 130024；2.東北師范大學(xué)長(zhǎng)白山地理過(guò)程與生態(tài)安全教育部重點(diǎn)實(shí)驗(yàn)室，吉林 長(zhǎng)春 130024；3.中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，吉林 長(zhǎng)春 130102)

植被覆蓋度(Fractional vegetation cover，F(xiàn)VC)是描述地表植被分布的重要指標(biāo)，也是生態(tài)系統(tǒng)、水土流失和氣候變化模型的重要參數(shù)，通常被定義為植被(包括枝、莖、葉)在單位面積內(nèi)的垂直投影面積所占百分比[1].目前植被覆蓋度的監(jiān)測(cè)方法主要有地面實(shí)測(cè)方法和遙感反演方法[2].地面實(shí)測(cè)方法包括目估法、樣方法和攝影法[3]，這些方法精度高，但是受人力物力條件的制約，難以獲取區(qū)域尺度上的植被覆蓋度，逐漸演化為驗(yàn)證遙感反演結(jié)果的重要手段.遙感反演植被覆蓋度的方法有回歸模型法、混合像元分解法和機(jī)器學(xué)習(xí)法等[1]，是目前植被覆蓋度遙感估算的主要方法.

無(wú)人機(jī)(Unmanned aerial vehicle，UAV)是一種無(wú)人駕駛的航空器[4].隨著科學(xué)技術(shù)的飛速發(fā)展，無(wú)人機(jī)相關(guān)的技術(shù)也日益成熟，已成為一種新興的遙感平臺(tái).無(wú)人機(jī)遙感系統(tǒng)是無(wú)人機(jī)與遙感技術(shù)的結(jié)合，是一種以無(wú)人機(jī)為平臺(tái)，搭載成像或非成像傳感器，飛行高度在幾千米以內(nèi)，可用來(lái)獲取國(guó)土、資源、環(huán)境、農(nóng)業(yè)等空間信息的一門應(yīng)用技術(shù)[5].無(wú)人機(jī)遙感技術(shù)具有成本低、操作控制靈活方便、云下低空飛行、高時(shí)效、高空間分辨率等優(yōu)勢(shì)，緩解了衛(wèi)星遙感無(wú)法同時(shí)滿足高空間分辨率與時(shí)間分辨率的矛盾，是衛(wèi)星遙感技術(shù)的一種有益補(bǔ)充手段.而具有高時(shí)空分辨率的無(wú)人機(jī)遙感技術(shù)也逐漸被用于地面數(shù)據(jù)采集[6].與地面實(shí)測(cè)相比，無(wú)人機(jī)遙感技術(shù)在能滿足采樣精度要求的同時(shí)大大減少了工作時(shí)間和人力物力，適合工作量大、采集范圍廣的野外采樣.因此，無(wú)人機(jī)遙感能為衛(wèi)星遙感估算植被覆蓋度提供準(zhǔn)確、有代表性的大樣方數(shù)據(jù)，進(jìn)而提高植被覆蓋度估算模型的精度及模型驗(yàn)證的準(zhǔn)確性[3].

目前，國(guó)內(nèi)外學(xué)者對(duì)基于無(wú)人機(jī)遙感技術(shù)進(jìn)行植被覆蓋度的提取方法進(jìn)行了大量研究，并取得了一些重要成果[7-9].本文以無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的相關(guān)研究成果為綜述對(duì)象，對(duì)無(wú)人機(jī)平臺(tái)類型及所攜帶的傳感器類型進(jìn)行了概述，總結(jié)和梳理了無(wú)人機(jī)遙感植被覆蓋度提取的主要方法；同時(shí)分析了無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度存在的問(wèn)題及發(fā)展趨勢(shì)，以為今后基于無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的研究提供相關(guān)參考.

1 無(wú)人機(jī)平臺(tái)類型

近年來(lái)，輕小型無(wú)人機(jī)被廣泛應(yīng)用于各行各業(yè)中，將無(wú)人機(jī)技術(shù)應(yīng)用于遙感領(lǐng)域也成為一種新的發(fā)展趨勢(shì).無(wú)人機(jī)按照技術(shù)特征可分為多旋翼無(wú)人機(jī)、固定翼無(wú)人機(jī)、無(wú)人直升機(jī)和特殊構(gòu)型無(wú)人機(jī)(如復(fù)合翼、撲翼等)4大類[10]，如圖1所示.在無(wú)人機(jī)遙感的相關(guān)研究中，多旋翼無(wú)人機(jī)和固定翼無(wú)人機(jī)被廣泛應(yīng)用.

多旋翼無(wú)人機(jī)固定翼無(wú)人機(jī)無(wú)人直升機(jī)復(fù)合翼無(wú)人機(jī)

多旋翼無(wú)人機(jī)是一種具有3個(gè)及以上旋翼軸的無(wú)人駕駛飛行器.常見的有四旋翼、六旋翼和八旋翼.多旋翼無(wú)人機(jī)成本低、便于攜帶、操作簡(jiǎn)單，可以在空中懸停，對(duì)起飛降落的場(chǎng)地要求低，優(yōu)勢(shì)明顯；不足是續(xù)航能力差、載荷能力有限，有風(fēng)天氣不宜起飛.常用的多旋翼無(wú)人機(jī)遙感平臺(tái)有大疆Phantom系列、Microdornes系列、派諾特Bluegrass無(wú)人機(jī)等，如表1所示.Chen等[3]利用大疆Phanton 2無(wú)人機(jī)獲取地面圖像，通過(guò)計(jì)算過(guò)綠指數(shù)(EXG)來(lái)提取植被覆蓋度；Yue等[11]利用大疆S1000無(wú)人機(jī)獲取冬小麥的圖像，利用圖像紋理和可見光大氣阻抗植被指數(shù)(VARI)、綠紅植被指數(shù)(GRVI)估算了地上生物量.除此之外，還有一些根據(jù)研究目的而自主研發(fā)的無(wú)人機(jī)，如裴信彪等[12]自主設(shè)計(jì)了六軸十二旋翼的無(wú)人機(jī)用來(lái)測(cè)試4種施氮水平水稻的光譜指數(shù)變化規(guī)律.

表1 多旋翼無(wú)人機(jī)遙感平臺(tái)

固定翼無(wú)人機(jī)是以機(jī)翼為主要升力部件的無(wú)人機(jī)，其優(yōu)點(diǎn)是載重能力強(qiáng)、飛行速度快、飛行時(shí)間長(zhǎng)，適用于大范圍的地圖測(cè)繪；不足是對(duì)起飛降落的條件要求較高，在空中懸停能力較差[13].固定翼無(wú)人機(jī)遙感平臺(tái)主要有瑞士SenseFly公司研制的eBee系列無(wú)人機(jī)、比利時(shí)Gatewing公司研制的Gatewing X-100無(wú)人機(jī)和武漢智能鳥無(wú)人機(jī)有限公司研制的天鷹1600無(wú)人機(jī)等.Akar[14]利用Gatewing X-100固定翼無(wú)人機(jī)獲取遙感影像進(jìn)行了精細(xì)地物分類；Fraser等[15]利用eBee Plus固定翼無(wú)人機(jī)評(píng)估了其在新英格蘭林地分類中的適用性.

2 無(wú)人機(jī)攜帶的傳感器類型

無(wú)人機(jī)遙感通過(guò)搭載不同類型的傳感器來(lái)獲取目標(biāo)物信息，攜帶的傳感器主要有可見光數(shù)碼相機(jī)、多光譜相機(jī)、高光譜成像儀、熱紅外相機(jī)和激光雷達(dá)等.

可見光數(shù)碼相機(jī)包含紅、綠、藍(lán)3個(gè)通道，成像技術(shù)完善，對(duì)拍攝的天氣要求不高，是一種低成本的傳感器.其獲取的影像空間分辨率較高，一般為厘米級(jí).表2列出了常用于無(wú)人機(jī)遙感的可見光數(shù)碼相機(jī)，如索尼Nex-5R，其最高分辨率為4 912×3 264像素.朱孟等[16]利用無(wú)人機(jī)搭載哈蘇L1D-20c數(shù)碼相機(jī)獲取了火龍果種植區(qū)的可見光圖像，最高分辨率為5 472×3 684像素；陶惠林等[17]利用無(wú)人機(jī)搭載索尼 Cyber-shot DSC-QX100 數(shù)碼相機(jī)采集了空間分辨率為1.3 cm的可見光影像，用以估算冬小麥生物量.

表2 常用的可見光數(shù)碼相機(jī)類型

多光譜相機(jī)一般能夠獲取包含綠、紅、紅邊和近紅外4個(gè)波段的信息，可用于大部分典型可見光-近紅外植被指數(shù)的計(jì)算.相對(duì)于可見光相機(jī)，多光譜相機(jī)能夠獲取更為豐富的信息，因此在植被監(jiān)測(cè)方面具有優(yōu)勢(shì).表3列舉了6種常用的無(wú)人機(jī)多光譜相機(jī)，其中Parrot Sequoia相機(jī)包含綠、紅、紅邊和近紅外4個(gè)波段；MiniMCA6相機(jī)包含3個(gè)可見光、紅邊和2個(gè)近紅外波段，帶寬略窄于其他相機(jī)；Sentera Quad相機(jī)僅包含紅、紅邊和近紅外3個(gè)波段.魏鵬飛等[18]基于Parrot Sequoia拍攝的多光譜影像，提取了差值植被指數(shù)(DVI)、歸一化差值植被指數(shù)(NDVI)和比值植被指數(shù)(RVI)等11種植被指數(shù)，估測(cè)了夏玉米葉片氮含量；Deng等[19]對(duì)比了MiniMCA6多光譜相機(jī)和Sequoia多光譜相機(jī)獲取的反射率和植被指數(shù)的差異，驗(yàn)證結(jié)果表明MiniMCA6獲取的反射率比Sequoia的反射率值更接近地面實(shí)測(cè)值，由MiniMCA6計(jì)算的NDVI值略好于Sequoia，Sequoia的紅邊歸一化植被指數(shù)(ReNDVI)，比MiniMCA6的更準(zhǔn)確.

表3 常用的多光譜相機(jī)類型

相對(duì)于多光譜相機(jī)而言，高光譜相機(jī)獲取的波段信息更加豐富，可以構(gòu)建的植被指數(shù)更多，光譜分辨率更高，可達(dá)到納米級(jí).然而，高光譜成像技術(shù)相對(duì)復(fù)雜，在無(wú)人機(jī)飛行過(guò)程中易受螺旋槳震動(dòng)的影響，導(dǎo)致后期高光譜圖像處理煩瑣，難以獲得滿意的拼接圖像[18].表4列出了5種國(guó)內(nèi)外常用的無(wú)人機(jī)高光譜相機(jī)，其中，Cubert S185成像儀包含125個(gè)通道，光譜范圍為450～950 nm，光譜分辨率為8 nm；美國(guó)的Pika NIR-640成像儀包含328個(gè)通道，光譜范圍為900～1 700 nm，光譜分辨率為2.5 nm.陳鵬飛等[20]利用地面光譜信息對(duì)Cubert S185反射率進(jìn)行了驗(yàn)證，結(jié)果表明Cubert S185的光譜數(shù)據(jù)與地面光譜儀測(cè)定的數(shù)據(jù)都具有很好的一致性，證實(shí)了該傳感器的有效性.

表4 常用的高光譜相機(jī)類型

熱紅外相機(jī)用于接收地物的紅外熱輻射信息，將熱輻射以不同顏色的柵格影像來(lái)表示溫度的差異.熱紅外相機(jī)常用于觀測(cè)冠層溫度、干旱脅迫、病蟲害等.陳震等[21]利用無(wú)人機(jī)搭載FLIR-Tau2 熱紅外相機(jī)反演了作物冠層溫度，計(jì)算了作物水分虧缺指數(shù)，實(shí)現(xiàn)了冬小麥作物水分虧缺狀況的監(jiān)測(cè).

激光雷達(dá)是通過(guò)主動(dòng)探測(cè)目標(biāo)的散射光特性獲取相關(guān)信息的遙感技術(shù)，抗干擾能力強(qiáng)，其生成的點(diǎn)云信息豐富、空間分辨率高.激光雷達(dá)多用于觀測(cè)株高、估算生物量及林業(yè)遙感中.Yin等[22]利用無(wú)人機(jī)搭載Velodyne HDL-32E激光雷達(dá)掃描儀對(duì)單棵紅樹林的樹高和樹冠直徑進(jìn)行了探測(cè)；Ten等[23]利用無(wú)人機(jī)攜帶VUX-SYS激光掃描儀對(duì)3種作物的生物量和作物高度進(jìn)行了估算.

3 無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度算法

目前，利用無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的方法可歸為3大類，分別是顏色空間法、植被指數(shù)法和機(jī)器學(xué)習(xí)分類法，其中，植被指數(shù)法又細(xì)分為閾值法和回歸模型法.圖2歸納了無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的基本流程，其中輻射校正為多光譜數(shù)據(jù)預(yù)處理步驟.

圖2 無(wú)人機(jī)遙感提取植被覆蓋度的基本流程

3.1 顏色空間法

顏色空間一般是用三個(gè)相對(duì)獨(dú)立的屬性來(lái)描述，三個(gè)獨(dú)立的變量相互作用構(gòu)成一個(gè)空間坐標(biāo)，稱為顏色空間[24-25].常用的顏色空間有RGB、HSV和Lab.其中，RGB顏色空間是以紅、綠、藍(lán)3種顏色為基色，通過(guò)不同比例的疊加生成豐富而廣泛的顏色；HSV顏色空間是將色彩信號(hào)分為3種屬性：H (色調(diào))、S (飽和度)和V (亮度)；Lab顏色空間是國(guó)際照明委員會(huì)制定的一種色彩模式，其中L代表亮度，a用于描述從紅色到綠色的范圍，b描述從黃色到藍(lán)色的范圍.牛亞曉等[26]基于無(wú)人機(jī)可見光圖像，分別采用 Lab 顏色空間中的a通道、RGB顏色空間計(jì)算的過(guò)綠特征指數(shù)和HSV顏色空間中的H通道進(jìn)行了棉花覆蓋度的提取，結(jié)果表明，Lab顏色空間的a通道對(duì)綠色植被的識(shí)別能力最好；Li等[27]針對(duì)隨著無(wú)人機(jī)飛行高度的增加，圖像空間分辨率下降、混合像元增多的問(wèn)題，提出了利用Lab顏色空間的兩個(gè)半高斯分布對(duì)純植被像元和純背景像元的直方圖進(jìn)行擬合，然后根據(jù)高斯分布參數(shù)確定閾值的方法估計(jì)植被覆蓋度；Yan等[8]基于無(wú)人機(jī)可見光圖像，運(yùn)用不穩(wěn)定指數(shù)(ISI)量化了HSV的H通道、Lab顏色空間的a通道和過(guò)綠特征指數(shù)區(qū)分植被與背景的有效性，結(jié)果顯示，HSV顏色空間的H通道計(jì)算的不穩(wěn)定指數(shù)最小，最能有效分離植被和背景.

3.2 植被指數(shù)法

3.2.1 植被指數(shù)

植被指數(shù)指利用綠色植被對(duì)電磁波的反射和吸收特征，對(duì)敏感波段進(jìn)行線性或非線性組合，從而表征植被信息的方法[28].植被指數(shù)是提取植被信息和評(píng)估植被生長(zhǎng)狀況的重要指標(biāo)[29]，也是植被遙感監(jiān)測(cè)中應(yīng)用最廣泛的方法之一[30-31].表5列出了無(wú)人機(jī)遙感提取植被覆蓋度常用的植被指數(shù)，按照所使用的無(wú)人機(jī)遙感數(shù)據(jù)類型，分為可見光植被指數(shù)和可見光-近紅外植被指數(shù)兩類.可見光影像僅包含紅、綠、藍(lán)3個(gè)通道，可構(gòu)建的植被指數(shù)相對(duì)較少.可見光植被指數(shù)的構(gòu)建是依據(jù)綠色植被對(duì)綠光具有較強(qiáng)的反射特性，對(duì)紅光和藍(lán)光具有吸收特性.利用這些特性，研究學(xué)者構(gòu)建了EXG、歸一化綠紅差異指數(shù)(NGRDI)、可見光波段差異植被指數(shù)(VDVI)、GRVI和紅綠藍(lán)植被指數(shù)(RGBVI)等.趙靜等[32]采用VDVI、EXG和NGBDI結(jié)合監(jiān)督分類提取了玉米4個(gè)時(shí)期的植被覆蓋度信息，發(fā)現(xiàn)玉米葉片的反光和陰影部分面積的增加降低了VDVI和NGBDI的識(shí)別精度，與這兩種植被指數(shù)相比，EXG指數(shù)分類閾值得到的植被覆蓋度與真實(shí)值最為接近.

目前基于多光譜衛(wèi)星遙感影像提出的植被指數(shù)有100多種，如NDVI、土壤調(diào)整植被指數(shù)(SAVI)和增強(qiáng)型植被指數(shù)(EVI)等[33-34]，這些指數(shù)被廣泛應(yīng)用到無(wú)人機(jī)多光譜遙感植被參數(shù)反演的研究中.牛亞曉等[7]驗(yàn)證了基于無(wú)人機(jī)多光譜遙感可以較好地提取冬小麥植被覆蓋度信息，并得出了與SAVI、MSAVI相比，基于NDVI分類閾值的提取效果最好的結(jié)論；Jay等[35]研究發(fā)現(xiàn)與NDVI、葉綠素紅邊指數(shù)(CIre)、葉綠素綠波段指數(shù)(CIgreen)和MERIS葉綠素指數(shù)(MTCI)相比，可見光大氣阻抗植被指數(shù)(VARI)可抑制光照條件差異帶來(lái)的影響，因而能有效地提取植被覆蓋度.

表5 利用無(wú)人機(jī)提取植被覆蓋度研究中常用的植被指數(shù)

3.2.2 閾值法

植被指數(shù)閾值法是識(shí)別影像中植被像元與非植被像元的一種有效方法.該方法是在計(jì)算出植被指數(shù)的基礎(chǔ)上，選用合適的方法設(shè)定閾值，將植被指數(shù)大于閾值的像素歸為植被，小于閾值的像素歸為非植被.植被覆蓋度提取的精度取決于閾值的設(shè)定.確定閾值的主要方法有雙峰直方圖閾值法和直方圖熵閾值法.

(1) 雙峰直方圖閾值法.雙峰直方圖閾值法指在一幅圖像中，若目標(biāo)與背景對(duì)比明顯，則直方圖顯示出的像素灰度會(huì)集中在兩處，即包含兩個(gè)“山峰”，兩峰之間的坡谷一般就是閾值的選取處[53].周在明等[28]參考了VDVI、SAVI和MSAVI的機(jī)理，構(gòu)建了基于可見光3波段的改進(jìn)型土壤調(diào)整植被指數(shù)(V-MSAVI)，結(jié)合雙峰直方圖法提取了互花米草的覆蓋度信息，驗(yàn)證精度高達(dá)0.92(決定系數(shù))；卞雪[54]基于無(wú)人機(jī)可見光圖像，選擇VDVI、EXG、NGBDI和NGRDI植被指數(shù)來(lái)獲取直方圖，利用雙峰直方圖閾值法得到的閾值分別是0.098，44.039，0.122，0.096，經(jīng)驗(yàn)證分析VDVI的估算結(jié)果最為準(zhǔn)確；Ashapure等[41]采用雙峰直方圖閾值法，對(duì)比了EXG、MGRVI和RGBVI提取棉花覆蓋度的精度，結(jié)果顯示基于RGBVI的估算精度高于EXG和MGRVI；Marcial-Pablo等[43]采集了玉米早、中、成熟期的可見光和多光譜圖像，分別計(jì)算了EXG、NDVI、CIVE、 VIg、GNDVI和NG，基于雙峰直方圖閾值法對(duì)比了這6種植被指數(shù)提取植被覆蓋度的精度，結(jié)果顯示EXG的提取精度最高，可見光植被指數(shù)對(duì)作物早期的覆蓋度的估算精度高于可見光-近紅外植被指數(shù)，可見光-近紅外植被指數(shù)對(duì)作物中后期的覆蓋度的估算效果優(yōu)于可見光指數(shù)，GNDVI的表現(xiàn)最好，精度高達(dá)97.09%；李冰等[55]提出了一種基于多時(shí)相影像構(gòu)成雙峰直方圖提取閾值的方法，該方法選取兩期植被像元與非植被像元長(zhǎng)勢(shì)具有顯著差異的影像，將兩期植被指數(shù)直方圖的相交點(diǎn)作為分割閾值，從而實(shí)現(xiàn)了植被與非植被的劃分.

(2) 直方圖熵閾值法.直方圖熵閾值法又稱最大熵閾值法，是假設(shè)閾值為t，則以閾值t為分界點(diǎn)將圖像分割為目標(biāo)區(qū)域O和背景區(qū)域B.目標(biāo)區(qū)域的熵為Ho(t)，背景區(qū)域的熵為Hb(t)，當(dāng)兩者的總熵H(t)=Ho(t)+Hb(t)取最大值時(shí)所對(duì)應(yīng)的t值即為最佳閾值[54].卞雪[54]基于無(wú)人機(jī)可見光圖像，計(jì)算了RGRI并結(jié)合最大熵閾值法，明確了提取植被覆蓋度的閾值為0.741；劉艷慧等[56]利用無(wú)人機(jī)獲取了呼倫貝爾草甸草原的可見光圖像，構(gòu)建了EXG與CIVE，根據(jù)最大熵原理建立了植被與背景的雙閾值目標(biāo)函數(shù)，利用遺傳算法尋找最佳分割閾值，從而實(shí)現(xiàn)了草地植被覆蓋度的估算.

(3)雙峰直方圖閾值法與直方圖熵閾值法的比較.汪小欽等[31]分別基于VDVI、EXG、NGRDI、NGBDI和RGRI，對(duì)比了雙峰直方圖閾值法和直方圖熵閾值法的提取精度，其中，基于VDVI雙峰直方圖閾值法的精度要優(yōu)于直方圖熵閾值法，基于NGBDI直方圖熵閾值法的提取精度高于雙峰直方圖閾值法；對(duì)于EXG，其統(tǒng)計(jì)直方圖形態(tài)呈現(xiàn)非雙峰直方圖，用直方圖熵閾值法實(shí)現(xiàn)了植被覆蓋度的提??；分別基于NGRDI和RGRI的兩種方法的提取效果都不太理想.當(dāng)植被指數(shù)的直方圖不存在明顯波峰或波谷時(shí)，雙峰直方圖閾值法的精度會(huì)受到影響，而直方圖熵閾值法運(yùn)算過(guò)程較為復(fù)雜，往往需要更多的時(shí)間和精力來(lái)獲取閾值[32]，并且兩者在植被密度低的區(qū)域應(yīng)用效果都不盡理想[54].針對(duì)兩種方法在植被信息提取方面所存在的問(wèn)題，有學(xué)者引入監(jiān)督分類來(lái)改善這兩種方法的不足.監(jiān)督分類與直方圖結(jié)合法是首先采用監(jiān)督分類對(duì)無(wú)人機(jī)影像進(jìn)行植被和非植被的劃分，在分類結(jié)果的基礎(chǔ)上進(jìn)行植被與非植被像元直方圖的統(tǒng)計(jì)，以兩者直方圖的交點(diǎn)作為分類閾值的方式進(jìn)行植被覆蓋度的提取.牛亞曉等[7]采用支持向量機(jī)分類和雙峰直方圖閾值法進(jìn)行了冬小麥不同生長(zhǎng)期的覆蓋度信息提取，指出兩種方法相結(jié)合提取的分割閾值具有一定的穩(wěn)定性；趙靜等[32]基于無(wú)人機(jī)可見光圖像，選用VDVI、EXG、NGBDI 3種植被指數(shù)，結(jié)合監(jiān)督分類與統(tǒng)計(jì)直方圖法確定植被覆蓋度提取閾值，發(fā)現(xiàn)該方法有效解決了雙峰直方圖閾值法和直方圖熵閾值法在低植被覆蓋度區(qū)域提取效果不理想的問(wèn)題.

3.2.3 回歸模型法

回歸模型法又稱經(jīng)驗(yàn)?zāi)Ｐ头ǎ峭ㄟ^(guò)對(duì)遙感數(shù)據(jù)的某一波段、波段組合或利用遙感數(shù)據(jù)計(jì)算出的植被指數(shù)與植被覆蓋度進(jìn)行回歸分析，建立統(tǒng)計(jì)回歸模型[1].根據(jù)回歸關(guān)系的不同，回歸模型分為線性回歸和非線性回歸模型兩種.謝兵等[42]基于無(wú)人機(jī)可見光圖像，構(gòu)建了新的植被指數(shù)——紅綠藍(lán)比值植被指數(shù)(RGBVI)并與植被覆蓋度建立多種模型，其中，采用三次多項(xiàng)式進(jìn)行擬合的精度最高，相關(guān)系數(shù)R2達(dá)到0.90，精度優(yōu)于NGRDI、RGRI和 ExG-ExR；Lima-Cueto等[57]利用無(wú)人機(jī)搭載的多光譜相機(jī)拍攝西班牙山區(qū)橄欖林的圖像，應(yīng)用RVI、IRVI、DVI、NDVI、GNDVI、NDRE、GRVI、GVI、NRVI、SAVI和VREI 共11種植被指數(shù)與橄欖林的植被覆蓋度建立回歸模型，11種植被指數(shù)都與植被覆蓋度具有顯著的相關(guān)性，回歸模型均為線性，其中，最敏感的植被指數(shù)是IRVI；Iizuka等[58]根據(jù)無(wú)人機(jī)多光譜圖像獲取了不同尺度下的相思樹、草/灌木和非植被的覆蓋度，并基于NDVI、GNDVI和ReNDVI 3種植被指數(shù)建立回歸模型，經(jīng)過(guò)分析，對(duì)于相思樹3種植被指數(shù)都與植被覆蓋度呈現(xiàn)顯著指數(shù)關(guān)系，對(duì)于草/灌木地區(qū)植被指數(shù)與植被覆蓋度之間的相關(guān)性較弱，而在非植被覆蓋區(qū)，植被指數(shù)與植被覆蓋度為負(fù)相關(guān)關(guān)系.在不同的空間分辨率下，NDVI與FVC的相關(guān)性最強(qiáng).

3.3 機(jī)器學(xué)習(xí)分類法

機(jī)器學(xué)習(xí)分類法指通過(guò)計(jì)算機(jī)從大量的數(shù)據(jù)中學(xué)習(xí)其內(nèi)在的規(guī)律性信息，獲得經(jīng)驗(yàn)知識(shí)，在復(fù)雜的數(shù)據(jù)中分離出圖像的主要特征的一種方法[59].在利用無(wú)人機(jī)提取植被覆蓋度的研究中，常用的機(jī)器學(xué)習(xí)分類算法有分類決策樹和隨機(jī)森林等.分類決策樹算法通過(guò)對(duì)數(shù)據(jù)進(jìn)行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對(duì)數(shù)據(jù)進(jìn)行分析，是一種典型的歸納學(xué)習(xí)方法[60]；隨機(jī)森林算法是一個(gè)包含多個(gè)決策樹的分類器，它的基本單元是決策樹，其輸出的類別是由所有決策樹輸出類別的眾數(shù)而定，每棵樹都是獨(dú)立的且具有相同的分布[61].韓東等[62]基于無(wú)人機(jī)可見光相機(jī)，獲取了7個(gè)時(shí)期榆樹疏林草原的圖像，通過(guò)建立顏色特征與木本、草本和沙地3種類別的二叉樹分類模型，得到?jīng)Q策樹分類模型，實(shí)現(xiàn)了植被類型的劃分和覆蓋度生長(zhǎng)季的動(dòng)態(tài)估計(jì)；Wang等[63]拍攝了干旱地區(qū)木本和草本等稀疏植被的無(wú)人機(jī)圖像，利用分類回歸樹、支持向量機(jī)、隨機(jī)森林和梯度提升決策樹提取植被覆蓋度的精度.相比于其他3種機(jī)器學(xué)習(xí)分類算法，分類回歸算法精度高并大大提高了分類的效率.Zhou等[64]基于無(wú)人機(jī)可見光圖像，提出了一種改進(jìn)隨機(jī)森林的分類法，該方法首先通過(guò)鏡像反轉(zhuǎn)90°和180°旋轉(zhuǎn)增加樣本信息，其次使用K均值聚類法去除背景，然后提取顏色特征和紋理特征，最后使用改進(jìn)隨機(jī)森林分類法得到植被覆蓋度信息；Choi等[9]基于無(wú)人機(jī)多光譜相機(jī)獲取沙丘的可見光圖像和多光譜圖像，采用像元二分模型和隨機(jī)森林分類兩種方法估算了植被覆蓋度，結(jié)果發(fā)現(xiàn)與可見光圖像相比，多光譜影像呈現(xiàn)出更好的估算能力，像元二分模型的估算精度優(yōu)于隨機(jī)森林分類.

以上幾種植被覆蓋度提取方法的優(yōu)勢(shì)及局限性如表6所示.顏色空間法只適用于處理可見光傳感器獲取的圖像；植被指數(shù)閾值法和回歸模型法既可用于可見光圖像，也可用于多光譜圖像.相關(guān)研究表明，基于多光譜圖像的提取效果基本優(yōu)于基于可見光圖像的提取效果，但是，多光譜相機(jī)的成本相對(duì)昂貴，所以基于可見光相機(jī)的應(yīng)用范圍更廣一些.回歸模型法在提取植被覆蓋度時(shí)精度雖然很高，但是方法不適用于地表復(fù)雜的區(qū)域.機(jī)器學(xué)習(xí)分類法適用于多種傳感器獲取的圖像，并且具有較高的精度.

表6 無(wú)人機(jī)遙感植被覆蓋度估算方法比較

4 討論與展望

無(wú)人機(jī)作為一種新興的遙感平臺(tái)，促進(jìn)了遙感科學(xué)研究從宏觀向微觀前進(jìn)了一大步，與衛(wèi)星遙感系統(tǒng)形成互補(bǔ)，為許多研究提供了第一手的數(shù)據(jù)[65].將無(wú)人機(jī)遙感技術(shù)應(yīng)用于植被覆蓋度提取有著巨大的研究空間，同時(shí)也存在一些問(wèn)題有待于深入探討.

4.1 討論

本文總結(jié)了利用無(wú)人機(jī)遙感技術(shù)在植被覆蓋度提取方面的研究現(xiàn)狀，闡述了無(wú)人機(jī)遙感平臺(tái)及其所搭載的傳感器，對(duì)各種傳感器的參數(shù)、優(yōu)缺點(diǎn)及適用范圍進(jìn)行了梳理；重點(diǎn)歸納了目前常用于無(wú)人機(jī)遙感的植被覆蓋度的提取方法，可歸納為3大類：顏色空間法、植被指數(shù)法和機(jī)器學(xué)習(xí)分類法，介紹了這些方法的基本理論和當(dāng)前的研究成果.

無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的根本優(yōu)勢(shì)在于：一是無(wú)人機(jī)成本低、操作靈活方便，對(duì)操控人員的要求較低，可以即時(shí)獲取數(shù)據(jù)；二是無(wú)人機(jī)遙感能夠獲取高時(shí)空分辨率的圖像數(shù)據(jù).但是在實(shí)際應(yīng)用中也存在一些問(wèn)題：(1)無(wú)人機(jī)遙感圖像預(yù)處理過(guò)程較復(fù)雜.無(wú)人機(jī)在飛行過(guò)程中的重疊度及定位問(wèn)題會(huì)導(dǎo)致圖像缺失，對(duì)圖像后續(xù)的應(yīng)用產(chǎn)生影響；無(wú)人機(jī)遙感圖像的預(yù)處理包括輻射校正、正射校正、圖像拼接等部分，處理過(guò)程復(fù)雜、煩瑣，并且處理效果會(huì)直接影響后續(xù)植被覆蓋度提取的精度[13].(2)無(wú)人機(jī)遙感提取植被覆蓋度的空間范圍受限.無(wú)人機(jī)圖像分辨率越高、圖像越精細(xì)、無(wú)人機(jī)作業(yè)效率越低.常用的電動(dòng)多旋翼無(wú)人機(jī)存在電力續(xù)航能力問(wèn)題，一次路徑規(guī)劃無(wú)法實(shí)現(xiàn)大面積的影像獲取；固定翼無(wú)人機(jī)雖然飛行時(shí)間較長(zhǎng)，但穩(wěn)定性差，無(wú)法保證拍攝圖像的質(zhì)量.因此，無(wú)人機(jī)圖像的分辨率與采集效率失衡，在獲取大區(qū)域的植被覆蓋度時(shí)受到限制.

4.2 展望

無(wú)人機(jī)遙感技術(shù)提取植被覆蓋度的關(guān)鍵在于是否能夠選擇一種適用性強(qiáng)、耗時(shí)少、準(zhǔn)確性高的植被覆蓋度提取算法.

(1) 可采用輕小型高光譜傳感器探索對(duì)植被覆蓋度敏感的波段和最優(yōu)的光譜特征[66].無(wú)人機(jī)遙感提取植被覆蓋度大多采用低成本的可見光或可見光-近紅外傳感器，光譜范圍有限，在提取植被覆蓋度時(shí)具有一定的局限性.如NGRDI僅適用于刻畫高植被覆蓋度區(qū)，對(duì)于稀疏草地等區(qū)域的植被提取效果不佳[31]；VDVI和NGBDI易受葉片反光和陰影的影響，兩者在植物生長(zhǎng)后期的提取誤差增大[32]；NDVI在高植被覆蓋度區(qū)易達(dá)到飽和[55].

(2) 植被指數(shù)法受植被類型和背景影響.互花米草成像中的紅、綠波段的光譜反射率差異不顯著，當(dāng)前的可見光植被指數(shù)不能有效區(qū)分互花米草與背景.不同植被指數(shù)對(duì)不同植被類型的適用性有待于進(jìn)一步探究，這有助于建立一個(gè)根據(jù)植被類型而自動(dòng)選擇合適植被指數(shù)的估算系統(tǒng).

(3) 利用閾值法提取植被覆蓋度的普適性較差.用于提取不同植被類型覆蓋度的閾值不同，對(duì)于同一植被類型，提取不同生長(zhǎng)期覆蓋度的閾值也不同.此外，閾值法的精度受植被分布密度的影響，對(duì)于低密度植被覆蓋度的提取精度低于高密度植被.

綜上所述，當(dāng)前遙感正朝著高空間分辨率、高時(shí)間分辨率、高光譜分辨率的方向發(fā)展，而無(wú)人機(jī)遙感技術(shù)恰能滿足這種需求.雖然目前在植被覆蓋度提取方面仍存在需要進(jìn)一步解決的問(wèn)題，但現(xiàn)存的這些局限性正說(shuō)明了無(wú)人機(jī)遙感技術(shù)在提取植被覆蓋度研究方面有著巨大的發(fā)展?jié)摿?